Datos de comportamiento
Algunos tipos de recomendación utilizan datos de comportamiento de los compradores para entrenar modelos de aprendizaje automático y crear recomendaciones personalizadas. Otros tipos de recomendación solo utilizan datos de catálogo y no utilizan datos de comportamiento. Si desea comenzar rápidamente, puede utilizar los siguientes tipos de recomendaciones solo de catálogo:
More like this
Visual similarity
Por lo tanto, ¿cuándo puede empezar a utilizar tipos de recomendación que utilicen datos de comportamiento? Depende de ti. Esto se conoce como Inicio en frío problema.
El Inicio en frío El problema es una medida de cuánto tiempo necesita un modelo para entrenarse antes de que pueda considerarse de alta calidad. En las recomendaciones de productos, se traduce en esperar a que Adobe Sensei entrene sus modelos de aprendizaje automático antes de implementar unidades de recomendaciones en el sitio. Cuantos más datos tengan estos modelos, más precisas y útiles serán las recomendaciones. La recopilación de estos datos lleva tiempo y varía en función del volumen de tráfico. Como estos datos solo se pueden recopilar en un sitio de producción, lo mejor es implementar la recopilación de datos allí lo antes posible. Puede hacer esto por instalación y configuración el magento/production-recommendations
módulo.
La siguiente tabla proporciona algunas directrices generales sobre la cantidad de tiempo que se tarda en recopilar suficientes datos para cada tipo de recomendación:
Most viewed
, Most purchased
, Most added to cart
)Viewed this, viewed that
Viewed this, bought that
, Bought this, bought that
Trending
Otras variables que pueden afectar al tiempo necesario para entrenar:
- Un mayor volumen de tráfico contribuye a un aprendizaje más rápido
- Algunos tipos de recomendación se entrenan más rápido que otros
- Adobe Commerce vuelve a calcular los datos de comportamiento cada cuatro horas. Recommendations será más preciso cuanto más tiempo se utilice en el sitio.
Para ayudarle a visualizar el progreso de formación de cada tipo de recomendación, la variable crear recomendación La página muestra indicadores de preparación.
Aunque los datos se recopilan en producción y los modelos de aprendizaje automático están formados, puede implementar el tareas restantes necesarias para implementar recomendaciones en tu tienda. En el momento en que haya terminado de probar y configurar las recomendaciones, los modelos de aprendizaje automático han recopilado y calculado suficientes datos para crear recomendaciones relevantes, lo que le permite implementar las recomendaciones en su tienda.
Si no hay tráfico suficiente (vistas, productos comprados, tendencias) para la mayoría de las SKU, es posible que no haya suficientes datos para completar el proceso de aprendizaje. Esto puede hacer que el indicador de disponibilidad del administrador parezca atascado.
Los indicadores de preparación están pensados para proporcionar a los comerciantes otro punto de datos a la hora de elegir qué tipo de recomendaciones es mejor para su tienda. Los números son una guía y es posible que nunca alcancen el 100%.
Recomendaciones de copia de seguridad backuprecs
Si no hay datos de entrada suficientes para proporcionar todos los elementos de recomendación solicitados en una unidad, Adobe Commerce proporciona recomendaciones de copia de seguridad para rellenar las unidades de recomendación. Por ejemplo, si implementa la variable Recommended for you
tipo de recomendación para su página de inicio, un comprador que llega por primera vez al sitio no ha generado suficientes datos de comportamiento para recomendar con precisión productos personalizados. En este caso, Adobe Commerce muestra los elementos en función de la variable Most viewed
tipo de recomendación para este comprador.
Los siguientes tipos de recomendación vuelven a Most viewed
tipo de recomendación si no se recopilan suficientes datos de entrada:
Recommended for you
Viewed this, viewed that
Viewed this, bought that
Bought this, bought that
Trending
Conversion (view to purchase)
Conversion (view to cart)